Generalização do comportamento de robôs usando regressão de manifolds

Abstract

Algoritmos de aprendizado de máquina podem ser muito custosos computacionalmente, em particular aqueles utilizados em tarefas na área de robótica, especialmente quando um número muito grande de tarefas de treinamento similares devem ser efetuadas. Encontrar formas de generalizar o comportamento de um robô é desejável pois permite que ele seja capaz de utilizar o conhecimento prévio de tarefas anteriores no aprendizado de novas tarefas. A solução encontrada por algoritmos de aprendizado de máquina a um vetor de N parâmetros ajustáveis, usados para definir a execução da tarefa. Em problemas reais, o valor de N pode ser muito alto, o que dificulta a análise destes conjuntos de dados. Este trabalho utiliza vários métodos de visualização científica para analizar tais dados de treinamento multidimensionais e estudar suas propriedades, tais como a presença de sub-regiões disjuntas no espaço de alta dimensão, a fim de guiar o desenvolvimento de um algoritmo capaz de promover a generalização do comportamento do robô a partir de poucas amostras de treinamento. Em particular, nós apresentamos um algoritmo que busca identificar o número de manifolds disjuntos formados pelos dados de treinamento e demonstramos como utilizar um método de clusterização baseado na otimização de matrizes esparsas para encontrar tais manifolds e permitir que o comportamento deles seja aprendido de maneira mais eficiente através de técnicas de regressões não-paramétricas.

Machine learning algorithms can be computationally costly, particularly those used in robotics tasks and specially when a great number of similar training tasks must be performed. Find ways to generalize the robot behavior is desirable because it allows the utilization of previous knowledge taken from already trained tasks to learn acceptable behaviors for new tasks. Solutions of machine learning problems are usually modeled as vectors of N adjustable parameters, used to define tasks executions. In real world problems, the value of N can be very big, making it difficult to analyse datasets formed by collections of these solutions. This work uses several methods of scientific visualization to analyse these multidimensional training datasets and to study their properties, such as the presence of disjoint subregions in the high dimensional space, in order to guide the development of an algorithm capable to promote the generalization of the robot’s behavior from few training samples. Particularly, we present an algorithm that seeks to identify the number of disjoint manifolds formed by the training dataset and show how to use a clustering method based on sparse matrices optimization to find these manifolds and to learn their behavior through non-parametric regressions techniques.